최신자료
혼합효과 기계학습모형을 활용한 교통사고 예측 및 요인분석 연구
한국교통연구원은 혼합효과 기계학습모형을 활용한 교통사고 예측 및 요인분석 연구보고서를 발표하였다.
- 교통사고는 매년 수많은 인명피해, 경제적 피해를 야기해 이를 사전에 예측·예방할 필요가 있으며 사고를 사전에 예방하기 위해 수많은 연구가 진행되었음. 지난 연구의 성과로 교통사고의 예측 모형의 성능은 크게 향상되었으나 교통사고의 인적·도로 구조적·사회경제적 요인 등 다양한 요인이 복합적으로 작용해 발생하는 관측되지 않는 이질성의 해석, 통계적 모형의 사전가정의 한계 그리고 범주형 변수의 모델링은 여전히 교통사고를 모델링하는데 큰 걸림돌이 되고 있음.
- 따라서, 본 연구는 비선형성·범주형 변수의 해석·이질성의 통제를 위해 앙상블 기계학습모형 중 높은 성능을 보이는 XGBoost와 혼합효과모형을 결합한 알고리즘으로 교통사고를 분석하였음. 그리고, 기계학습모형의 Black box 문제점을 극복하고자 대리모형(SHAP)을 활용해 사고요인을 전역적·지역적 관점에서 분석하였으며 지역별 사고대응방향성을 시사하였음.
- 교통사고는 매년 수많은 인명피해, 경제적 피해를 야기해 이를 사전에 예측·예방할 필요가 있으며 사고를 사전에 예방하기 위해 수많은 연구가 진행되었음. 지난 연구의 성과로 교통사고의 예측 모형의 성능은 크게 향상되었으나 교통사고의 인적·도로 구조적·사회경제적 요인 등 다양한 요인이 복합적으로 작용해 발생하는 관측되지 않는 이질성의 해석, 통계적 모형의 사전가정의 한계 그리고 범주형 변수의 모델링은 여전히 교통사고를 모델링하는데 큰 걸림돌이 되고 있음.
- 따라서, 본 연구는 비선형성·범주형 변수의 해석·이질성의 통제를 위해 앙상블 기계학습모형 중 높은 성능을 보이는 XGBoost와 혼합효과모형을 결합한 알고리즘으로 교통사고를 분석하였음. 그리고, 기계학습모형의 Black box 문제점을 극복하고자 대리모형(SHAP)을 활용해 사고요인을 전역적·지역적 관점에서 분석하였으며 지역별 사고대응방향성을 시사하였음.
많이 본 자료
![[2025.07] 대출규제](/userdata/main/incContent/sideLink/23/aaaqQGcnBTcOc8zW9uLNz20251015165742zqfnw.png)
![[사람이 되고 싶어요2] 환율의 변화](/userdata/main/incContent/sideLink/22/aaaqQGcnBTcOc8zW9uLNz20251015165408vtzoa.jpg)
